我正在寻找一种有效的方法来计算每个样本定义的维度 (bxcxhxw) 的 \hat{x}：
其中 x 是由具有参数 \theta 的模型生成的相同维度的输出，并且
i,j：索引二维输出特征图的高度和宽度
k：索引通道维度
l：索引参数。
我如何使用 x.backward() 完成此操作？有没有一种有效的方法来做到这一点？
如果我做了 x.backward(torch.ones_like(x))，我将计算上述等式中的梯度之和，而不是它们的绝对值之和。
执行此操作的蛮力方法是遍历输出映射中的每个像素并计算 .backward()。但是，那将是非常昂贵的。有没有避免循环的有效方法？
在你调用.backward()你的损失之后，PyTorch 会为你计算所有梯度，每个梯度都有一个.norm()函数。也许这就是你要找的？
例如：
x = torch.rand((4,3,3), requires_grad=True) # Some output volume
y = torch.rand((4,3,3), requires_grad=True) # Some output volume
z = x + y
loss = z.sum()
loss.backward()
print(x.grad) # Print gradients for x
print(x.grad.norm(1)) # Print the L1 norm for these gradients